深入理解AUC——从概率意义的角度

最新推荐文章于 2024-07-10 22:28:14 发布
最新推荐文章于 2024-07-10 22:28:14 发布
阅读量5.4k 收藏 22
点赞数 4
分类专栏： 机器学习 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_37683979/article/details/87882943
版权
本文深入探讨AUC，从概率角度解释其概念。AUC是ROC曲线下的面积，衡量模型效果，无需设定阈值。通过实例和直观的绘图方法阐述AUC计算，同时讨论了AUC在机器学习中可能存在的问题和争议。
摘要由CSDN通过智能技术生成

去年开始使用AUC作为算法的其中一种离线评估指标，但是对AUC的理解其实非常肤浅。刚好最近有个小伙伴抛出一条AUC的另一种计算公式，问大家谁可以解释。乐于分享的我，深入研究了一下AUC，整了一份PPT，由浅入深，帮助大家从概率意义的角度理解AUC。
在这里插入图片描述
红框框住的公式就是引发这场AUC小探索的导火线。咋一看挺复杂的，其实原理非常简单。且听我慢慢讲解。
在这里插入图片描述
内容分两大部分：一是回顾一下AUC的基础知识；二是从概率意义的角度理解AUC。（男人不止一面，AUC也是。）
在这里插入图片描述
AUC，顾名思义，它其实是一个面积，是ROC曲线下面的面积。这是AUC的物理意义。
AUC越接近1，模型效果越好。
在这里插入图片描述
精确率、召回率等指标，都需要设定一个阈值去判别是属于正类还是负类，例如预测分大于等于0.5判别为正类，小于0.5判别为负类。如何设定这个阈值，是个问题。而AUC这个指标则不需要设阈值

最低0.47元/天 解锁文章
山上之城
关注
  • 4
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
回归问题的置信区间AUC_样本不平衡问题操作手册
weixin_39842955的博客
11-20 1448
引言何谓样本不平衡——简单来说就是数据集中负样本的数量远远大于正样本的数量。在这个情况下，模型就会倾向于把样本预测为负样本，因为这是最便捷的降低损失、提高模型准确率的方法。例如：有一个正样本数量为1，负样本数量为99的数据集，模型就算无脑地把全部样本预测为负样本也能达到99%的准确度，试想有这么一个分类器，每次我们把数据喂‘给它时，在不调整阈值的情况下，它都倾向于把测试集的样本预测为负样本，你觉得...
笔记︱统计评估指标AUC 详解
素质云笔记
09-25 1万+
文章目录1 AUC的两种解读视角：1.1 ROC曲线与坐标轴形成面积1.2 古典概率模型——求导AUC2 AUC的特性与优劣3 AUC多大才算好？4 线上、线下AUC差异较大成因分析4.1 业务场景使用AUC：点击模型与购买模型的差异4.2 线上、线下AUC有差异5 AUC逻辑升级 - GAUC参考文献 1 AUC的两种解读视角： 1.1 ROC曲线与坐标轴形成面积 AUC 的全称是 AreaUnderRoc 即 Roc 曲线与坐标轴形成的面积，取值范围 [0, 1]. Roc (Receiver ope
模型评估-2
weixin_30606461的博客
01-25 429
一、分类算法的评估 1、二分类 ROC与AUC 1.1 roc曲线：接收者操作特征(receiveroperating characteristic) roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)；纵轴：真正类率(true postive rate TPR)灵...
【概率统计】从统计角度理解AUC：一步步揭开神秘面纱
最新发布
拾一滴清水的博客
07-10 894
AUC作为分类模型性能的评价指标，其统计意义在于衡量一个随机选择的正样本的预测概率大于一个随机选择的负样本的预测概率的概率。
深入理解实际场景下 AUC vs F1 的区别——不说废话
Jerry_Lu_ruc的博客
08-10 2万+
面试的时候经常被问的一个问题是 AUC和F1 score有什么区别。笔者看了很多博文，感觉相当一部分在分析混淆矩阵和auc、f1的定义上花了太多笔墨，但对于两者的区别和联系，有种到了门前就差临门一脚的感觉。因此笔者去stack overflow上找了很多回答，感觉收获很多，在此简明扼要的写一下收获。如有纰漏欢迎指正。 1、定义： AUC的优化目标：TPR和(1-FPR) F1的优化目标：Recall和Precision 这里不再对混淆矩阵(TP、FP、TN、FN)相关的一些很细的概念做详细解释，推荐去看一下
AUC、ACC、F1、准确率、召回率
qq_44783689的博客
12-01 1万+
准确率 - accuracy 精确率 - precision 召回率 - recall F1值 - F1-score ROC曲线下面积 - ROC-AUC （area under curve） PR曲线下面积 - PR-AUC 1 、auc AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价
auc.zip_AUC_auc java_roc curve
09-23
通过理解AUC和ROC曲线的概念，以及在Java中如何实现它们，我们可以更好地评估和优化我们的分类模型，确保其在实际应用中的性能。同时，要记得AUC只是众多评价标准之一，应结合实际情况综合考虑。
Fast AUC：一种快速计算AUC的方法——“曲线下面积”-matlab开发
05-30
除了作为 ROC 曲线下的面积外，AUC 的解释还鲜为人知： 如果您选择一对随机样本（一个正样本和一个负样本） - AUC 是正样本分数高于负样本分数的概率。 在这里，我们通过计算这些对来计算 AUC。
python计算auc指标实例
09-21
### Python 计算 AUC 指标的详细解析 #### 一、引言 AUC（Area Under the Curve）是评估二分类模型性能的一个重要...希望本文能帮助读者更好地理解如何使用 Python 和 Scikit-learn 进行 AUC 计算及 ROC 曲线的绘制。
python计算auc的方法
09-16
本篇文章将深入讲解如何使用Python的scikit-learn库来计算AUC。 首先，确保你的Python环境安装了scikit-learn库。scikit-learn是Python中一个强大的机器学习库，它依赖于Python、NumPy和SciPy。要检查这些依赖项的...
AUC计算方法与Python实现代码
09-17
AUC的统计意义可以从概率角度理解，即随机抽取一个正样本和一个负样本，正样本得分高于负样本的概率。 AUC的计算方法主要有两种： 1. 计算ROC曲线下的面积：这是一种直观的方法，通过近似计算ROC曲线由一系列小...
ROC曲线与AUC值
weixin_30872789的博客
11-21 1544
本文根据以下文章整理而成，链接： （1）http://blog.csdn.net/ice110956/article/details/20288239 （2）http://blog.csdn.net/chjjunking/article/details/5933105 1.概述 　　AUC（Area Under roc Curve）是一种用来度量分类模型好坏的一个标准。这样的...
AUC越大，正确率就越高？
热门推荐
LegenDavid's warehouse
01-15 3万+
问题   近日，一位朋友拿着两个模型预测效果比较的结果来咨询，当然是遇到了一个好像不太正常的现象才来咨询的。两个模型都是二分类结局的，应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？ 很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确
Gini和AUC的关系（Gini=2AUC-1真的成立吗？）
William_Dong的专栏
10-31 5605
在做信用评分卡研究时，除了用KS/AUC指标，还经常见到基尼系数(gini coefficient)。 gini系数通常被用来判断收入分配公平程度。   图.洛伦茨曲线与基尼系数   Gini coefficient 是指绝对公平线(line of equality)和洛伦茨曲线(Lorenz Curve)围成的面积与绝对公平线以下面积的比例，即gini coefficient = A面积 / ...
Xgboost实践+天池比赛O2O优惠券auc接近天池第一名0.81（auc0.80，支持CPU、GPU源代码下载链接）
Dream Fly Together
01-23 5734
0. 前言 本次实践的是[天池比赛O2O优惠券赛题]https://tianchi.aliyun.com/competition/entrance/231593/information， 由于是初接触机器学习，所以参考了天池技术圈等很多博客，关于该赛题的思路，网上已经有很多篇写的很好的文章了（见下面参考博客），我在这里主要是记录下我自己将该赛题的分数从0.53一直提升到0.80的过程，留作学习...
ROC和AUC,其实真的那么简单，需要的只是你的一点点耐心！
weixin_42608414的博客
03-09 6133
“天才的定义——能将复杂变成简单的人”-爱因斯坦 ROC和AUC曲线是用于计算任何分类模型性能的重要评估指标。 这些定义和术语在机器学习社区中非常常见，当我们开始学习分类模型时，我们每个人都会遇到这些定义和术语。 然而，大多数时候，他们并没有被完全理解或被误解，不了解它们的本质,使得我们无法真正的利用它们。 好了，让我们一点点揭开ROC和AUC的神秘面纱,它们将不再神秘,需要的只是您阅读本文的一...
机器学习（16）ROC曲线与AUC指标（癌症分类的模型检测--AUC指标）
great_yzl的博客
09-13 1787
目录 一、基础理论 0、引言 1、TPR与FPR 1、TPR（召回率） 2、FPR 2、ROC曲线 3、AUC指标 二、癌症分类的模型检测（AUC指标） 1、正反例转1、0 2、计算AUC指标 总代码 一、基础理论 0、引言 在开始讲解以前，先假设一种情况： 这种情况样本不均衡（正样本太多，没法预测到正确的结果）。 要衡量样本不均衡时的分类器效果，这时引入：ROC曲线和AOC指标。 1、TPR与FPR 1、TPR（召回率） TPR = TP / (TP+FN.
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
Python数据科学
10-14 2万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
分类问题：导致AUC为0.5的原因及解决方案
qq_51174011的博客
03-09 1万+
神经网络：AUC为0.5 在训练模型的过程中遇到了AUC为0.5的情况，搜集了一些网络上的资料，简单的做了一个整理 1. 特征本身和标签之间没有关系 AUC为0.5，意味着模型趋于“随机预测”模型，ROC曲线近似于ROC图的对角线。 “特征本身和标签之间没有关系”看起来是一件不太可能发生的事，但实际中有可能会由调取数据过程出现的问题导致。 检查模型的特征和标签是否匹配可以检验该问题是否存在，若存在应匹配特征和标签 2. 原始数据的量纲差异过大 当原始数据的量纲相差过大，而标签中“0”的过多时，训练出的模型系
area under the curve (AUC)有什么意义
03-22
？AUC是一种用于评估分类模型性能的指标，它表示ROC曲线下的面积。AUC的值越大，说明模型的性能越好，因为ROC曲线下的面积越大，说明模型在不同阈值下的分类效果都比较好。因此，AUC可以用来比较不同分类模型的性能，也可以用来选择最佳的分类阈值。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值